Full sales outreach loop (research → draft → approve → send → log)

Full sales outreach loop закриває п'ять кроків холодного вихідного потоку в одній оркестрації: дослідження ліда, генерація чернетки, схвалення менеджером, відправка і логування. AI-агент бере на себе рутину, людина зберігає контроль за якістю повідомлення і рішення відправляти чи ні.

Що саме робить автоматизація

1. Research. Агент збирає дані про ліда з CRM і відкритих джерел: сайт компанії, роль контакту, нещодавні події (релізи, найм, funding). Формує короткий профіль на 4–6 пунктів.
2. Draft. На основі профілю і шаблону тональності генерує персоналізований перший email: hook, value proposition, soft CTA. Не використовує generic-фрази про «сподіваюся, у вас все добре».
3. Approve. Чернетка надходить менеджеру в Slack, пошту або CRM-інтерфейс. Менеджер редагує, схвалює або відхиляє одною дією. Без approval лист не відправляється.
4. Send. Затверджений лист надходить через підключений email-провайдер (mailbox менеджера або dedicated outreach-домен). Додається в послідовність follow-up, якщо налаштовано.
5. Log. Агент записує відправку, відкриття, відповідь і пов'язані активності в CRM-картку ліда. Маркує стадію воронки, створює follow-up task за потреби.

Що автоматизація НЕ робить

• Не замінює менеджера на кроці approve. Approval-gate вбудований в архітектуру — це не баг, а фіча. Loop проектується під контрольований scale, не під blast-розсилку.
• Не обходить спам-фільтри. Якщо домен не прогрітий, deliverability буде низькою навіть з ідеальним персоналізованим контентом. Прогрів домену і mailbox — окрема попередня робота.
• Не працює з брудною CRM. Якщо в CRM дублікати, застарілі статуси і відсутні потрібні поля (роль, індустрія, розмір компанії), research-крок поверне сміття і draft вийде generic.

Результат — збільшення обсягу вихідного контакту в 10 разів (з 10–15 до 150–200 листів на день), зростання open rate з 18% до 52% і reply rate з 2,1% до 8,7%. Цифри досяжні за умови, що домен прогрітий, ICP визначений і CRM містить мінімальний набір полів по ліду.

Під капотом — мультиагентна оркестрація на agent-framework. Кожен крок — окремий агент або нода з чітко визначеними входами, виходами і межами відповідальності. Grow2.ai збирає loop з трьох класів компонентів: оркестратор стану, LLM-рушій для генерації та інтеграції з CRM, поштою і каналом схвалення.

Архітектурна схема

1. Trigger. Вхід у loop — або за розкладом (daily batch із N лідів), або за подією в CRM (новий лід у сегменті «холодний outbound»). Для контрольованого rate limiting за замовчуванням використовується batch-режим.
2. Research agent. Забирає lead_id з CRM, тягне дані про компанію (website, публічний профіль, новини), роль контакту та контекст. Використовує зовнішні enrichment-API і поля CRM. Результат — структурований JSON-профіль.
3. Draft agent. Приймає профіль + template guidelines (tone, CTA-тип, довжина) + приклади минулих успішних листів. Генерує draft через LLM. Перевіряє довжину, tone і наявність заборонених фраз через rule-based фільтр.
4. Approval gateway. Draft + профіль ліда надходять менеджеру. Формат — картка в Slack, email з inline-кнопками або task у CRM. Менеджер бачить контекст і один з трьох варіантів: approve, edit-and-approve, reject.
5. Send agent. Triggered on approval. Підключається до email-провайдера, надсилає листа від імені менеджера (через OAuth або SMTP). Проставляє заголовки для трекінгу open і click.
6. Log agent. Пише в CRM: надіслано, відкрито, отримано відповідь. Створює пов'язані активності, оновлює stage ліда. При reply — піднімає ліда в чергу для ручної роботи.

Компоненти системи

Кроки впровадження

1. Discovery (тиждень 1–2). Аудит поточного outbound-процесу: де витрачається час, які шаблони працюють, яка інформація збирається вручну. Фіксація ICP і критеріїв сегментації.
2. CRM hygiene (тиждень 2–3). Очищення дублікатів, заповнення обов'язкових полів по ліду (роль, індустрія, розмір), визначення статусної воронки для outbound.
3. Agent scaffolding (тиждень 3–5). Збірка research/draft/send/log агентів, підключення до CRM і email-провайдера. Тестування на 20–50 лідах вручну.
4. Approval UX (тиждень 5–6). Налаштування каналу схвалення (Slack-бот або CRM-view), відлагодження latency між draft і approve. Ціль — менеджер витрачає на approve не більше 30 секунд.
5. Domain warmup (паралельно тижням 1–6). Якщо використовується виділений outreach-домен — прогрів іде паралельно основному треку, поступовий вихід на цільовий обсяг.
6. Pilot + tuning (тиждень 6–10). Запуск на повному batch 100–200 лідів на день, моніторинг open/reply/unsubscribe, ітеративне правлення промптів і шаблонів.

Архітектура залишається прозорою: кожен крок логується, кожне рішення агента видно менеджеру. Approval-gate гарантує, що поганий draft ніколи не надходить клієнту.

Для запуску повного loop потрібні дані по лідах, доступи до робочих інструментів і мінімальна готовність команди.

Дані та доступи

• CRM із заповненими полями по ліду: роль, компанія, індустрія, розмір, стадія воронки. Без цього research-крок повертає сміття.
• Email-провайдер з OAuth-доступом (Gmail Workspace, Microsoft 365) або SMTP. Бажано — прогрітий домен або mailbox для outbound.
• Шаблони листів і приклади успішних кейсів. Мінімум 5–10 outbound-листів, що працювали, від яких агент може навчатися стилю.
• Визначений ICP (ideal customer profile): кому пишемо, що шукаємо, як кваліфікуємо.
• Approval-канал: Slack-workspace, корпоративна пошта або CRM із можливістю inline-approve.

Готовність команди

• Один відповідальний менеджер (SDR або sales lead), який готовий витрачати 30–60 хвилин на день на approve чернеток у перші 2–3 тижні пілоту. Пізніше — 15–20 хвилин.
• Технічна роль (in-house або з боку Grow2.ai): інтеграція з CRM, доступ до API, налаштування agent-framework.
• Буфер на domain warmup — якщо outreach-домен новий, потрібні 3–4 тижні паралельно з основною розробкою.

Timeline

6–10 тижнів від discovery до production-запуску для команди 5–50 осіб. Перші 2 тижні — аудит і чищення CRM. Тижні 3–6 — збірка та тестування агентів. Тижні 6–10 — pilot з поступовим scale і tuning промптів. Domain warmup іде паралельно, якщо застосовно. Після запуску — 2–4 тижні активної оптимізації reply rate і персоналізації на реальних даних.